[发明专利]半导体生产线生产计划的混合智能优化方法

说明书

技术领域

智能优化方法可用于智能生产系统领域中生产计划系列问题的求解，能够支持模糊生产计划优化模型的构建及最优生产计划的搜索。本专利提出一种全新的半导体生产线生产计划优化模型的构建方法，及用于该优化模型求解的混合智能优化算法。具体地，本专利提出的智能优化方法首先以不突破产能资源限制为约束条件，以保持在制品数稳定和减小订单拖期率为目标，构建完全不同于传统确定形优化模型的模糊生产计划模型。随后，采用一种结合了模糊模拟、神经网络、人工免疫的混合智能算法来求解计划模型，得到一个可行的、优化的生产线日投料计划。

背景技术

半导体制造业是制造业的一个重要分支，普遍具有生产周期长、投资金额大的特点，因而迫切需要切实可行的生产计划来确定投料批量与投料日期，在满足现有生产条件下，使经济效益最大化。一个好的生产计划可给企业带来巨大的经济收益，故它的编制合理与否直接影响到企业的正常生产和经济效益。

由于半导体制造业具有生产线规模大、产品种类多、加工流程复杂，因而其生产计划问题是一类具有NP-hard特性的复杂组合优化问题，相关的研究一直受到国内外学者的广泛关注。其中，对于待决策订单中各种产品的具体投料日期和投料数量都是计划过程中的参数变量；计划区间的各个时段中产品加工对各设备组的产能占用不超过相应设备组的生产能力资源是对参数变量的约束；保持生产线上在制品数量的均衡、减少订单拖期交货率等都是生产计划的目标。

当前，实际的半导体生产计划的优化方法主要有传统运筹学方法和启发式算法。其中，传统运筹学方法在理论上能求得问题的全局最优解，但计算量偏大，在求解像半导体生产计划这样的大规模问题，通常需要很长的计算时间。启发式方法是一种基于直观经验或规则构造的算法。这种方法虽然能在可接受的时间内得到解，但在实际应用时却容易陷入局部最优，故常常只能得到问题的次优解。

另一方面，当前半导体生产计划模型大多仍采用传统的确定型优化模型，即把问题所处的环境看作是确定的，并且目标函数和约束条件是清晰的。然而，实际的半导体生产环境中含有大量的不确定因素。因此，确定型的投料计划模型不能反映半导体实际生产环境中的不确定性，缺乏应有的柔性、灵活性。

在文献“半导体制造中的先进生产计划方法”中，李琦等人基于产品优先级和加工设备柔韧度这两个评价标准，提出了一种启发式方法。该方法由于流程固定，可在电子表格Excel中利用VBA(Visual Basic For Application)实现此计划系统。但是由于需要反复多次计算，对于复杂加工环境所需时间较长，且由于是经验法则，所得的计划并不一定是最优的。

在文献“半导体制造业生产计划的优化方法”中，李琦、刘大成等人以产能约束为约束条件，以产品总收益最大化为目标，构建了线性规划模型。该方法无需反复多次计算，只需一次求解即可得出最优解。但该方法仅适用于时间段、产品种类、产品加工步骤、设备组等较少的情况。一旦问题规模变大，该方法所需的计算时间将呈指数级增长，进而降低算法的效率。

在专利“生产计划方法和生产计划系统”(申请号：200710091666.2)中，石桥尚也等人基于产品的生产能力评估参数，构造了一种启发式方法。该方法和系统能在生产线上的设备由多个产品共享的情况下，自动地调查在其中加工的产品数量被改变的原因，从而可在短时间内准备具有高精度的生产计划。不过此发明中，需要对整个生产过程中的所有产品反复地进行生产能力评估，一旦生产线上的在制品较多，产品加工流程较长，则所需的计算时间将大幅增加。另外，该方法同样无法保证解的全局最优性。

在专利“制订生产起始计划的系统和方法”(申请号：96102115.2)中，胁山春道构造了一种基于生产起始时间满意程度的启发式方法。该方法在使用时，先算出理想生产起始时间。再对各产品相对于其理想生产起始时间的不同偏差设置不同的满意程度，并在各个不同的满意程度下算出相应的实际生产起始时间。在计算实际生产起始时间时，对满足程度较低的产品给予较高的起始生产优先级。该方法计算过程简单，并能在难于执行理想生产起始计划时，有可能制订出实际的生产起始计划。但是，通过该方法得到的生产起始计划精度较低，不适于精度要求较高的生产计划问题。而且同样也不能保证所得解的全局最优性。

以上专利或文章中提到的生产计划优化方法，均是基于确定型生产计划模型，优化算法也都限于传统运筹学方法或启发式方法。因而，所得到的生产计划既不能反映实际中存在的不确定性，又不能保证解的全局最优性。